由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
智能微机器人群在未知环境中的自主导航
原标题：Autonomous navigation of intelligent microrobotic swarms in unknown environments
作者：Xuanyu An；Shengming Luo；Haoyu Zhang；Qijun Yang；Yuanbiao Ma；Bin Wang；Jiansheng Du；Qianqian Wang
期刊：Nature Machine Intelligence
出版时间：2026/06/22
摘要：微机器人群通过其集体和可重构的行为可以灵活地适应各种目标递送和导航任务。然而，在未知环境中实现自主导航和避障仍然是一项挑战。这里我们提出了一种基于强化学习的控制策略用于在部分观察条件下群组导航。为了弥合仿真与现实之间的差距，我们引入了一种通用的仿真实现转移方法，使经过仿真训练的群体能够有效地在未知环境中探索。我们的模型结合了时间扩展的注意力机制与环境、感知、执行机构和动力学的多层次领域随机化，使策略能够利用当前的感觉输入和历史背景来选择磁性执行命令。我们的模型通过在模拟环境中与人类操作员进行基准测试，高效地执行自主导航和障碍物规避。所提出的策略能够实现群组导航和动态障碍物规避，货物运输，移动目标跟踪以及从暂时视觉丧失中恢复，并通过其部分感知和决策实现悬停。对动作序列和注意力得分的分析表明，群体根据任务优先级做出决策，在未知环境中优化朝向目标的轨迹。
原文链接
类脑网络双记忆通路的算法硬件协同设计
原标题：Algorithm–hardware co-design of neuromorphic networks with dual memory pathways
作者：Pengfei Sun；Zhe Su；Jascha Achterberg；Giacomo Indiveri；Dan F. M. Goodman；Danyal Akarca
期刊：Nature Machine Intelligence
出版时间：2026/06/16
摘要：尖峰神经网络在事件驱动感知方面表现出色。然而，在算法上以及硬件中保持长时间跨度的任务相关上下文，同时尊重严格的能量和内存预算，仍然是该领域的核心挑战。在这里我们通过算法–硬件协同设计努力解决这一挑战。在算法层面，受大脑皮层快慢组织结构的启发，我们引入了一个具有显式慢速记忆通路的神经网络，该通路结合快速尖峰活动，使得双通道记忆架构得以实现，在此架构中，每一层都保持一个紧凑的低维状态来总结近期活动，并调节尖峰动力学。这种显式记忆在稳定学习的同时保持事件驱动的稀疏性，在长序列基准测试中实现了与最先进的脉冲神经网络相比参数少40-60%的竞争准确性。在硬件层面，我们引入了一种近内存计算架构，通过保持其紧凑的共享状态同时优化数据流，在异构稀疏脉冲和密集内存路径之间充分利用双内存通路架构的优势。我们展示了实验结果，这些结果显示与最先进的实现相比，吞吐量提高了四倍以上，能效提高了五倍以上。这些贡献共同证明了生物学原理可以指导出既算法有效又硬件高效的函数抽象，建立了实时神经形态计算和学习的可扩展协同设计框架。
原文链接
构建三维分子结构与人工智能的桥梁：一种构象描述语言
原标题：Bridging three-dimensional molecular structures and artificial intelligence with a conformation description language
作者：Jiacheng Xiong；Yuqi Shi；Min Wu；Panpan Shao；Zhaokun Wang；Wei Zhang；Runze Zhang；Zhiyi Chen；Chuanlong Zeng；Xun Jiang；Duanhua Cao；Zhaoping Xiong；Zunyun Fu；Sulin Zhang；Mingyue Zheng
期刊：Nature Machine Intelligence
出版时间：2026/06/11
摘要：大型语言模型通过从序列数据中学习已经革新了许多领域，然而由于缺乏有效的基于标记的分子构象表示方法，它们在三维分子建模中的应用受到了阻碍。这里我们介绍了ConfSeq，一种构象描述语言，通过将三维分子结构编码为离散标记序列来填补这一空白。ConfSeq 将分子 SMILES 与内部坐标结合，包括二面角、键角以及一个伪手性描述符，从而确保 SE(3) 不变性，并保持 SMILES 固有的简洁性和可读性。通过将核心三维分子建模任务（包括构象预测、从头生成和表征学习）重新表述为序列建模问题，ConfSeq使标准变压器架构在各种基准测试中实现了最先进的性能。此外，ConfSeq使得发现了多个新型干扰素基因刺激因子(STING)抑制剂和ALDH1B1抑制剂，其半数最大抑制浓度为0.338–3.51 μM。这些发现共同确立了ConfSeq作为在三维分子建模中扩展大型语言模型的稳健框架。
原文链接
从虚拟实验到合成数据的生物医学洞察
原标题：From virtual experiments to biomedical insight with synthetic data
作者：Margarida Victoriano；Milena Pavlović；Geir Kjetil Sve；Hélder P. Oliveira；Artur Rocha；Victor Greiff
期刊：Nature Machine Intelligence
出版时间：2026/06/11
摘要：合成数据集对于生物医学领域机器学习方法的发展和基准测试至关重要，因为它们有助于克服生物医学研究中普遍存在的数据稀缺问题。在免疫组学、基因组学和蛋白质组学等领域中，它们能够促进预测算法的发展，包括用于免疫受体-抗原结合预测的方法。当使用透明且完全指定的参数生成时，合成数据集充当可重复和可解释的模型测试的基于规则的系统，这是迈向模拟生物系统的数字孪生以进行诊断和治疗设计的关键步骤。然而，一个关键障碍是‘模拟到现实’（sim2real）差距，这描述了关于合成数据上的表现是否能预测实验数据上的表现的不确定性。不同的统计和生物学特性可能会削弱普适性和临床相关性。缺乏标准化的仿真到现实基准阻碍了验证和广泛采用。我们主张采用多层次验证框架，包括领域适应和混合验证等技术，并基于生物学现实性，是确保合成数据集忠实捕捉生物复杂性的关键。缩小仿真到现实的差距将释放合成数据的全部转化潜力，加速诊断和治疗发现，指导临床决策，并推进预测性数字孪生的发展。
原文链接
用于DNA序列语言建模的显式动态链间相互作用
原标题：Explicit dynamic cross-strand interactions for DNA sequence language modelling
作者：Cheng Yang；Yuansheng Liu；Lei Ling；Yang Liu；Fengxin Li；Changjian Chen；Long Wang；Feng Yu；Liang Qiao；Xiangxiang Zeng；Kenli Li；Alexer Schönhuth；Xiao Luo
期刊：Nature Machine Intelligence
出版时间：2026/06/04
摘要：大型语言模型正在改变基因组序列的功能解读。大多数DNA序列语言模型要么将DNA视为单向文本，要么通过数据增强或等变性强制执行反向互补对称性，然而两者都隐式且静态地近似双链相互作用，在表示学习过程中限制了上下文依赖的跨链信息交换的捕获。在生物系统中，双链协调受到物理耦合、功能协同和信息传递的影响，并对基因组功能至关重要。这里我们介绍了CrossDNA，一种用于DNA链间建模的显式动态语言模型。CrossDNA 使用交替暴露于正向和反向互补序列片段的双分支作为双链启发式训练策略，并通过一个轻量级的跨链通信模块建立链间通信。为了支持长上下文建模，CrossDNA 结合了一个循环的长上下文骨干网络与滑动窗口注意力机制。在各种基因组学任务中，CrossDNA 一致地提高了性能，并增强了对序列方向的鲁棒性，特别是在增强子预测方面。CrossDNA仅使用百万级参数却达到了与包含数亿参数的DNA基础模型相当或更优的表现，展示了显著更高的参数效率。这些结果使DNA表示从双链关系的隐式静态近似推进到显式的动态跨链建模，从而能够解释调控逻辑，发现新的调控元件，并优先处理与疾病相关的非编码变异。
原文链接
条件蒙日间隙使通用单细胞扰动建模成为可能
原标题：Conditional Monge Gap enables generalizable single-cell perturbation modelling
作者：Alice Driessen；Dhruva Abhijit Rajwade；Benedek Harsanyi；Marianna Rapsomaniki；Jannis Born
期刊：Nature Machine Intelligence
出版时间：2026/06/01
摘要：学习单个细胞对各种治疗的反应具有巨大的潜力使靶向疗法成为可能。在此背景下，神经最优传输作为一种原则性的方法论框架已经出现，因为它内在地适应了由于数据采集过程中细胞破坏所引起的未配对数据的挑战。然而，大多数现有的最优传输方法无法根据不同的治疗情境（例如，时间，药物治疗，药物剂量或细胞类型）进行条件设定，并且我们仍然缺乏能够普遍适用于未见过的治疗方法的方法。这里我们提出条件Monge差距（CMonge），它在任意协变量的条件下学习最优传输映射。我们展示了它在预测单细胞药物扰动反应方面的价值，这些反应取决于一种或多种药物、药物剂量或其组合。我们发现我们的条件模型实现了与特定条件下的单细胞RNA测序以及多重蛋白成像数据相比可媲美甚至更优的结果。值得注意的是，通过扩展到数百个条件，并在数亿种药物上进行训练，我们实现了跨任务学习，并解锁了对未见药物的泛化能力。我们的方法在捕捉细胞群体中的异质性方面远远优于其他条件模型。总之，CMonge 有坚实的数学基础，相对于单细胞基础模型而言参数效率高，并且仅使用化合物结构就能对未见过的药物做出准确预测。因此，它为加速药物发现和再利用开辟了一条实用途径。
原文链接
学习全球气候模式的耦合动力学
原标题：Learning the coupled dynamics of global climate modes
作者：Yuan Yuan；Jingtao Ding；Zhongpu Qiu；Jingfang Fan；Yong Li
期刊：Nature Machine Intelligence
出版时间：2026/06/01
摘要：全球天气极端事件，从季风到干旱，是由一系列反复出现的海洋—大气耦合模式，即气候模态所塑造的。这些模式从太平洋的厄尔尼诺-南方涛动到印度洋和大西洋相互联系的模式，形成一个由复杂的非线性相互作用支配的动力学关联全球系统。全面地预测这个相互关联的系统——而不是像现有方法那样孤立处理模式或者简化成成对处理——仍然是复杂系统机器智能中的基本挑战。这里我们介绍了UniCM，一个用于全球气候模式预测的统一深度模型。其关键创新在于一种双分支架构，该架构直接从数据中学习耦合系统的动力学，在局部动力学及其集体全局耦合的协同建模下实现了真正统一的预测。UniCM 在统一的全球气候模式预测中表现出色，优于现有的强大基准，并在多个主要气候模式中延长了准确预报的有效时间。它成功地捕捉了历史事件的多样性，从极端的1997–1998年厄尔尼诺现象到持续且具有挑战性的2020–2023年三重拉尼娜现象。除了准确性之外，UniCM还提供了可解释性；其内部注意力机制识别了动态前兆，并量化了极端气候事件之前发生的结构化模态间相互作用。我们的结果表明，作为相互联系的系统学习气候模式耦合的动力学释放了涌现可预测性，为统一预报和数据驱动的见解奠定了基础，这些见解加深了我们对全球海洋-大气动力学的理解。
原文链接
通过统一的多模态框架跨适应性免疫识别进行泛化的突变效应预测
原标题：Generalizable mutation-effect prediction across adaptive immune recognition via unified multimodal framework
作者：Rong Han；Yumeng Zhang；Xiaohong Liu；Lei Fu；Tong Pan；Jing Xu；Xiaoyu Wang；Peidong Zhang；Xuanzhong Chen；Jiesi Lei；Wuyang Lan；Changwei Ji；Shuguang Cui；Song Wu；Jiangning Song；Ting Chen；Guangyu Wang
期刊：Nature Machine Intelligence
出版时间：2026/05/27
摘要：适应性免疫是一种核心防御系统，对于通过淋巴细胞对病原体抗原进行精确分子识别而实现的长期且高度特异性的保护至关重要。然而，预测突变如何重塑这些相互作用仍然是一个重大挑战。尽管以前的计算方法利用大规模预训练来进行突变效应预测，但大多数方法都是针对特定任务或模式设计的，并且难以在异质多模态的免疫识别景观中泛化。这里我们介绍了UniAIR，一个模块化、多模态框架，用于在免疫识别场景中准确且通用地预测突变效应。UniAIR 集成了一条标准化的数据流水线，一个以界面为中心的序列-结构融合变压器，该变压器结合了进化信息与几何表示，并且提供了一系列扩展功能用于多专家共识以及对预测结构输入的适应性。我们通过大规模基准测试和独立测试全面评估了UniAIR在免疫学任务上的表现。评估涵盖了细胞外和细胞内的免疫识别，包括抗体成熟，抗原逃逸，TCR–pHLA优化以及实验结构不可用的分析。广泛的实验表明，UniAIR达到了最先进的性能，并通过最少的任务特定调整提供了稳健的预测。特别是，UniAIR 成功地在稀疏反馈下对TCR–pHLA复合物进行了多轮肽优化，并在不完整的抗体–抗原结构中识别了关键的功能突变。UniAIR 建立了一个统一的计算基础，用于绘制突变图谱，推进对适应性免疫识别的理解，并加速免疫治疗设计。
原文链接
基于多模态数据训练的大规模统一深度学习模型用于肽质量谱解析
原标题：A large-scale unified deep learning model for peptide mass spectrum interpretation trained on multimodal data
作者：Jiale Zhao；Pengzhi Mao；Kaifei Wang；Yiming Li；Yaping Peng；Ranfei Chen；Shuqi Lu；Xiaohong Ji；Jiaxiang Ding；Xin Zhang；Yucheng Liao；Weinan E；Han Wen；Weijie Zhang；Hao Chi
期刊：Nature Machine Intelligence
出版时间：2026/05/25
摘要：深度学习已经推进了质谱数据的解释，然而大多数模型仍然是特征提取器而非统一的评分框架。我们介绍了pUniFind，这是一种大规模的多模态基础模型，在蛋白质组学中集成了开放端到端肽谱评分与零样本从头测序。在超过一亿个开放搜索衍生的光谱上进行训练，pUniFind 通过跨模态预测以及与其他精心设计的预训练任务一起，对光谱和肽模态进行了对齐。因此，得益于其开放评分能力，pUniFind在各种数据集上超越了传统引擎，在免疫肽组学中鉴定到的肽段数量增加了42.6%。我们提出了两种从头测序工作流程以支持不同的应用。对于富含修饰的从头测序，pUniFind 辨识出的肽谱匹配比现有的从头方法多出了60%，尽管其搜索空间大了300倍。对于从头测序，pUniFind 恢复了额外的 38.5％ 的肽段，包括 1,891 种映射到基因组但不在参考蛋白质组中的肽段。它在保持完整片段离子覆盖的同时实现这一点，并且与基于数据库搜索的方法保持高度一致。LLM_ERROR] LLM_JSON_PARSE_ERROR这些结果建立了一个统一的、可扩展的深度学习框架用于蛋白质组分析，提供了改进的灵敏度、修饰覆盖范围和可解释性。
原文链接
自由边界问题的深度神经算子
原标题：Deep neural operator for free boundary problems
作者：Zongjia Long；Qi Zhou；Aiqing Zhu；Dong Dai；Yiqun Liu
期刊：Nature Machine Intelligence
出版时间：2026/05/21
摘要：自由边界问题，其特征是由定义在事先未知域上的偏微分方程所描述，在从量子物理学到生物医学应用的各种科学和工程学科中出现。传统的数值方法面临关键的限制。尽管神经算子的最近进展通过学习函数空间之间的映射彻底改变了偏微分方程的求解方法，现有的框架仍然局限于预定义的域，使其不适用于自由边界问题。这里我们介绍了自由边界神经算子，一个通过利用动力系统之间的拓扑共轭来克服这一基本限制的通用框架。自由边界神经算子同时逼近共轭系统的流映射以及将其链接到原始自由边界问题的同胚，这使得在没有先验几何知识的情况下能够在变化域上进行预测。我们提供了保证该方法理论可行性的近似定理。我们通过数值实验全面展示了自由边界神经算子在相变、非凸几何和多物理系统中的有效性。这项工作标志着自由边界模拟的一个转折点，因为神经网络的使用既提高了速度又增强了精度。
原文链接
利用机器学习和患者来源肿瘤外植体验证识别免疫治疗药物靶点
原标题：Immunotherapy drug target identification using machine learning and patient-derived tumour explant validation
作者：Marcellus Augustine；Nuno Rocha Nene；Hongchang Fu；Christopher L. Pinder；Lorena Ligammari；Alexer P. Simpson；Irene Sanz-Fernández；Krupa Thakkar；Danwen Qian；Evelyn Fitzsimons；Benjamin S. Simpson；Roberto Vendramin；Andrea Castro；Heather Niederer；Samra Turajlic；Sergio A. Quezada；Nicholas McGranahan；Chris Watkins；Charles Swanton；Kevin Litchfield
期刊：Nature Machine Intelligence
出版时间：2026/05/18
摘要：免疫治疗已经革新了癌症的治疗方式，然而只有少数患者表现出临床反应，这需要替代策略来使这些患者受益。新的免疫肿瘤学靶点可能通过绕过对标准疗法的耐药机制来实现这一目标。我们介绍了Mining Immunotherapy Drug tArgetS（MIDAS），一个用于免疫肿瘤学靶点发现的多模态图神经网络系统。MIDAS 利用基因互作、多组学患者特征、免疫细胞生物学、抗原加工、疾病关联以及遗传扰动的表型后果。它适用于时间切片数据，在包括OpenTargets在内的最先进的基准测试中胜出，并将已批准的目标排名高于临床开发阶段的目标。此外，MIDAS 恢复了在未见患者中的免疫治疗反应相关基因，从而捕获免疫治疗反应决定因素。可解释性分析揭示了对自身免疫(autoimmunity)、调节网络(regulatory networks)和肿瘤免疫学途径(immuno-oncology pathways)的依赖性。功能扰动MIDAS靶点之一的白血病抑制因子-白血病抑制因子受体信号通路，在TRACERx黑色素瘤患者来源的外植体中产生了减少的功能失调的CD8+T细胞，这些细胞与免疫治疗反应相关，并且减少了CCL4水平。此外，oncostatin M 和 oncostatin M 受体表达与患者样本的总体转录组数据中的 T 细胞和巨噬细胞谱型改变相关。这些数据与白细胞介素-28M（oncostatin M）在调节肿瘤微环境向免疫抑制性、促肿瘤表型方面的作用一致。我们的研究结果提出了一种用于分析多模态数据以发现免疫肿瘤学靶点的机器学习框架。
原文链接
基于变换器的SpecGP模型用于预测糖肽的能量适应性结构谱
原标题：SpecGP as a transformer-based model for predicting energy-adaptable structural spectra of glycopeptides
作者：Xianyong Wang；Rui Song；Zhuangzhuang Feng；Shisheng Sun
期刊：Nature Machine Intelligence
出版时间：2026/05/18
摘要：深度学习在糖蛋白质组学中的高通量光谱库构建方面展现了巨大的潜力。然而，由于完整N-糖肽的复杂性和高维信息，对其结构谱的精确预测仍然具有挑战性。这里我们介绍了SpecGP，一种基于变压器的架构，具有增强型糖链片段编码策略，采用多层感知机进行准确的糖肽谱预测。该模型通过扩大碎片离子覆盖范围来提高糖肽之间的光谱区分度，同时保持高预测准确性。通过在多个碰撞能量下预测质谱，SpecGP 最大化关键诊断离子的检测，并确保与多种实验数据集的广泛兼容性。它还通过使用双任务框架来改善保留时间预测。在应用中，SpecGP通过引入自监督权重训练策略有效增强了异构体的区分，并通过重新评分提高了糖肽鉴定。糖链结构的分辨能力可以通过多能量谱中动态强度的互补诊断离子进一步加强和验证。
原文链接
用于肽抗生素优化的生成式人工智能方法
原标题：A generative artificial intelligence approach for peptide antibiotic optimization
作者：Marcelo D. T. Torres；Yimeng Zeng；Fangping Wan；Natalie Maus；Jacob Gardner；Cesar de la Fuente-Nunez
期刊：Nature Machine Intelligence
出版时间：2026/05/13
摘要：抗生素耐药性在全球范围内上升，需要更快、更可靠的途径来设计抗菌候选药物。尽管基于人工智能的方法已经加速了抗菌药物的发现，但大多数方法旨在筛选固定库或广泛生成候选物，而不是在实际设计约束下优化现有的肽骨架。在这里，为了应对这一挑战，我们提出了APEX生成优化（ApexGO）。ApexGO 使用一种变压器变分自编码器将肽序列嵌入连续潜在空间中，而贝叶斯优化则高效地提出序列编辑建议以增强抗菌效力。与传统方法不同，ApexGO 通过修改模板肽来生成肽序列，为肽设计和抗生素发现开辟了途径。使用十种肽作为模板，ApexGO 生成了具有增强抗菌性能的优化衍生物。我们合成了这100种化合物，并进行了全面的体外表征，包括抗菌活性评估、作用机制研究、二级结构分析和细胞毒性测试。ApexGO 实现了85％的真实地面实验命中率，并在增强对抗革兰氏阴性病原体的抗菌活性方面达到了72％的成功率，优于之前报道的抗生素发现和优化方法。在两例不动杆菌鲍曼ii亚种感染的临床前小鼠模型中，人工智能优化的分子表现出强效的抗感染活性，优于其模板对照组，并且与最后手段抗生素相当或超过。这些发现突显了ApexGO作为肽设计和抗生素优化的生成人工智能方法的潜力，提供了一种加速抗生素发现的强大工具。
原文链接
受章鱼启发的软机器人手臂中的分布式传感实现的外周控制用于自主水下抓取
原标题：Peripheral control enabled by distributed sensing in an octopus-inspired soft robotic arm for autonomous underwater grasping
作者：Emanuela Del Dottore；Romina Adhami；Ebrahim Shahabi；Emanuele Solfiti；Michele Martini；Stefano Mariani；Alberto Parmiggiani；Alessio Mondini；Edoardo Sinibaldi；Barbara Mazzolai
期刊：Nature Machine Intelligence
出版时间：2026/05/12
摘要：章鱼通过其灵活的触手中的分布式感应和控制表现出非凡的运动灵巧性。受此生物模型启发，我们提出了一种肌腱驱动的软机器人手臂，该手臂在吸盘中嵌入了光电机械传感器，并采用基于行为的分层控制架构。每个人工吸盘集成了发光二极管和光晶体管，通过光反射来检测接触力和方向，实现了高灵敏度（~400 mV N−1在0–2-N范围内）和方向准确性（误差，<18°）。传感器在干燥和潮湿环境中可靠运行，漂移和迟滞最小。它们紧凑的模块化设计便于系统集成。层次控制架构使得吸盘级别的局部反射和自主抓取的全局协调成为可能。该系统可靠地检测接触事件，估计力和方向，并推断物体相对于手臂的位置，从而实现有意图的交互。这项工作推进了传感器集成的软体机器人技术，展示了生物启发设计在非结构化环境中适应性抓取的潜力。
原文链接
蛋白质语言模型的可解释性研究
原标题：Towards the explainability of protein language models
作者：Andrea Hunklinger；Noelia Ferruz
期刊：Nature Machine Intelligence
出版时间：2026/05/11
摘要：人工智能模型正在改变蛋白质研究，使从结构预测到功能性酶设计等领域的进展成为可能。然而，这些模型作为黑箱运行，其内在的工作原理仍然不清楚。这里我们综述了可解释人工智能(XAI)在蛋白质语言模型中的新兴应用，并描述了XAI在蛋白质研究中的潜力。我们将现有工作围绕典型建模流程中的四个点组织起来：用于训练的数据；用户提供的输入；内部模型架构；以及输入与输出的关系。在这些背景下，我们强调可解释的人工智能(XAI)的方法和应用。此外，从已发表的研究中我们提炼出XAI在蛋白质研究中的五个潜在角色：评估者(Evaluator)、多任务处理者(Multitasker)、工程师(Engineer)、教练(Coach)和教师(Teacher)，其中评估者的角色是迄今为止唯一被广泛采用的。虽然我们的分析侧重于蛋白质语言模型，但我们的分类广泛适用于任何其他架构。我们通过强调未来应用的关键领域并概述推进蛋白质人工智能可解释性的路径来结束讨论。
原文链接
重新思考人机交互及军事领域中人工智能的治理
原标题：Re-thinking human–machine interaction and the governance of AI in the military domain
作者：Ingvild Bode；Katherine Chler
期刊：Nature Machine Intelligence
出版时间：2026/05/11
摘要：人工控制是军事领域治理人工智能(AI)的关键原则，强调了在使用军事AI时人类责任的重要性。但是人类控制确切意味着什么尚不清楚。本文认为保障人类控制需要考察在整个AI生命周期中发生的各种形式的人机交互。在这里我们回顾了在不同阶段采取的行动，包括研究开发以及测试、评估、验证和确认，对人类控制的影响。我们通过人工智能决策支持系统在国际人道法评估中的潜在应用来评价这些动态。论证人机交互的动态需要更多地关注维护人类控制权，我们提出三项建议来加强这一原则：设立争辩机制帮助人类交叉核验和验证AI生成的信息；持续培训帮助用户应对缺乏足够数据的意外场景和语境；以及文档记录。
原文链接
柏拉图表示的机器学习相互作用原子势能
原标题：Platonic representation of foundation machine learning interatomic potentials
作者：Zhenzhu Li；Aron Walsh
期刊：Nature Machine Intelligence
出版时间：2026/05/07
摘要：基于机器学习的相互作用原子势能(MLIPs)已作为原子模拟的强大工具出现，然而不同的模型在不兼容的潜在空间中编码化学环境，限制了直接比较和互操作性。柏拉图表示假设认为，足够强大的模型会收敛于现实的共享统计表示。在这里，在这一假设的激励下，我们展示了独立开发的MLIPs表现出原子环境几何组织的统计一致性。通过相对于一组原子锚点投影嵌入，我们将七种MLIP的潜在空间——涵盖等变、非等变、保守和非保守架构——统一到一个共同的潜在空间中，该空间保持化学周期性和结构不变量。这个统一的框架使得跨模型最优传输、可解释嵌入算术以及表征偏差检测成为可能。此外，我们表明，在此空间中的偏差提供了一种无需地面真实数据的非典型结构度量，并指示物理预测失败。我们的结果表明，这种理想的表示方法为材料科学提供了互操作性、可比性和可解释性的基础模型的实际途径。
原文链接
可重复使用性报告：元学习在抗原特异性T细胞受体结合物识别中的应用
原标题：Reusability report: Meta-learning for antigen-specific T cell receptor binder identification
作者：Fei He；Xianyu Wang；Dong Xu
期刊：Nature Machine Intelligence
出版时间：2026/05/06
摘要：准确预测肽-T细胞受体(TCR)结合对于免疫治疗、疫苗设计和诊断至关重要。PanPep，一个元学习框架，被开发出来用于泛化多样的TCR结合物预测。这里我们呈现了PanPep的可重用性和实际效用的全面且无偏评价。我们重现了其在原始数据集上的报告性能，并进一步使用分类指标和虚拟筛选富集评估将其与控制工具进行了基准测试。利用一个新整理的独立数据集，我们证明了PanPep在背景绘制负采样策略下比其他方法更好地泛化到少量或无已知TCR结合物的新抗原；然而，在重新洗牌的负例下，这种优势减弱了，这通过引入更难的负例带来了更具挑战性的评估设置。我们将PanPep扩展到肽-TCRα和肽-TCRαβ结合预测中，展示了其在更具有生物学和生理学相关性的上下文中应用的适用性。尽管具有优势，PanPep 在早期配体富集和对新型TCR的鲁棒性方面存在局限性，表明其性能对模型架构、训练数据组成以及负样本采样策略敏感。本工作建立了一个可重复且可扩展的基准框架用于泛肽-TCR结合预测。结果为真实世界中TCR结合物发现中的模型选择和稳健性评估提供了实用指导。同时，我们的研究结果强调了准确的、可泛化的TCR结合预测仍然是一个开放的挑战。
原文链接
无约束分子动力学通过自回归等变网络
原标题：Force-free molecular dynamics through autoregressive equivariant networks
作者：Fabian L. Thiemann；Thiago Reschützegger；Massimiliano Esposito；Tseden Taddese；Juan D. Olarte-Plata；Fausto Martelli
期刊：Nature Machine Intelligence
出版时间：2026/05/05
摘要：分子动力学模拟在科学研究中起着至关重要的作用。然而它们的计算成本通常限制了可以探索的时间尺度和系统规模。大多数数据驱动的努力都集中在降低计算准确原子间力所需的计算成本上。然而，尽管取得了成功，这些机器学习的原子间势能依然局限于小的时间步长。在这项工作中，我们介绍了TrajCast，这是一个基于自回归等变消息传递网络的可转移且数据高效的框架，该框架直接更新原子的位置和速度，消除了传统数值积分所施加的约束。我们对各种系统进行了框架基准测试，包括小分子、晶体材料和大量液体，展示了结构、动力学和能量属性方面与参考分子动力学模拟的优异一致性。此外，我们表明TrajCast可以在零样本情况下推广到相空间中未见过的区域，在训练数据之外的亚稳平衡和非平衡制度下生成物理上有意义的集合，而不影响准确性。根据系统不同，TrajCast 允许预测间隔比传统 MD 时间步长大 30 倍，每天可生成超过 15 ns 的轨迹数据，适用于包含超过 4,000 个原子的固体。通过实现高效的大规模长时间尺度模拟，TrajCast可以加速材料发现，并探索传统模拟和实验无法触及的物理现象。
原文链接
一种用于生成逼真合成分子的协作约束图扩散模型
原标题：A collaborative constrained graph diffusion model for the generation of realistic synthetic molecules
作者：Manuel Ruiz-Botella；Marta Sales-Pardo；Roger Guimerà
期刊：Nature Machine Intelligence
出版时间：2026/05/04
摘要：开发新的分子化合物对于应对从健康到环境可持续性等紧迫挑战至关重要。然而，由于空间的巨大性，探索分子空间以发现新分子是困难的。这里我们介绍了CoCoGraph，一种协作且受约束的图扩散模型，能够生成保证化学有效性的分子。得益于模型内置的约束以及协作机制，CoCoGraph 在标准基准测试中超越了最先进的方法，同时更加高效。对36种化学性质的分析也表明，CoCoGraph生成的分子分布更接近真实分子，比当前模型更为匹配。为了展示该模型的潜力，我们创建了一个包含8.2百万个合成生成分子的数据库，展示了这个数据库和CoCoGraph如何可以用于分子发现，并进行了一次类似图灵测试的实验，邀请有机化学专家进一步评估生成分子的可能性以及CoCoGraph潜在的偏见和局限性。
原文链接
